Старший разработчик в WC5fzfn LLM Inference Optimization — Москва

О команде: Наша команда развивает направление оптимизации инференса LLM на GPU 3bJUx. Мы повышаем эффективность использования оборудования и помогаем продуктовым командам запускать модели с учётом профиля нагрузки, качества и метрик производительности.

Какие задачи вас ждут: проводить нагрузочное тестирование моделей по запросам продуктовых команд и оптимизировать их под конкретные сценарии использования;развивать методику оценки производительности LLM на нашем оборудовании: бенчмарки, инструменты и мониторинг;регулярно замерять производительность, отслеживать выход новых моделей и поддерживать таблицу результатов;тестировать новые GPU и сопровождать их настройку вместе с командами инфраструктуры и платформы инференса;масштабировать оптимизации на весь парк моделей: спекулятивное декодирование, мульти-LoRA, распределённый инференс, переход на новые инференс-бэкенды;доводить изменения до продакшена по циклу - профилировать, оптимизировать, тестировать, внедрять при подтверждённых метриках;запускать LLM-модели с использованием платформы инференса.

Мы ждем, что вы: оптимизировали LLM-модели с учётом профиля нагрузки;работали с инференс-фреймворками LLM: vLLM, SGLang, TensorRT-LLM и другими, запускали и настраивали их, подбирали параметры;знаете, как устроен LLM-инференс, и понимаете методы оптимизации: prefill и decode, KV-кеш, batching, спекулятивное декодирование, квантизация;знаете принципы работы GPU: память, пропускная способность, утилизация, NVLink, конфигурации с несколькими GPU;профилировали GPU и работали с инструментами для мониторинга;проводили нагрузочное тестирование и бенчмаркинг LLM-моделей: latency, TTFT, TPOT, throughput, и тд, умеете корректно сравнивать результаты и делать выводы;работали с Docker, Kubernetes, метриками и дашбордами Prometheus, Grafana;готовы внедрять изменения в продакшен, поддерживать их и объяснять результат продуктовым командам.

Будет здорово, если вы: писали или оптимизировали CUDA-кернелы, понимаете SIMT и архитектуру GPU NVIDIA;внедряли спекулятивное декодирование, мульти-LoRA-сервинг или распределённый инференс;работали с роутингом и балансировкой с учётом KV-кеша: llm-d, NVIDIA Dynamo, Mooncake или аналогами;знаете C++ или Go;следите за статьями и проектами с открытым исходным кодом по ускорению инференса и быстро проверяете идеи на практике.

Работа у нас — это: расширенная забота о здоровье: ДМС, страхование жизни, онкострахование;сервис психологической поддержки, а также финансовые, юридические и ЗОЖ-консультации для вас и ваших близких;корпоративный спорт: групповые тренировки, велбиинг-приложение;спецпредложения от партнёров и скидки на сервисы 3bJUx: бронирование жилья, услуги продвижения, ипотечное страхование;компенсация питания;инженерная свобода для реализации масштабных задач;продуктовый подход к инфраструктуре, который базируется на метриках;сильное инженерное комьюнити, готовое поддержать и поделиться опытом;эффективные инструменты для роста и развития: матрица компетенций, внутреннее обучение, менторство и обмен опытом.